摘 要：運用智能技術(shù)驅(qū)動教育現(xiàn)代化，是數(shù)智時代推進(jìn)教育強(qiáng)國建設(shè)的破題之要。以人工智能為核心的智能技術(shù)，具備在教育決策中實現(xiàn)多維數(shù)據(jù)挖掘、復(fù)雜問題分析、個性化政策制定與決策方案改進(jìn)的技術(shù)優(yōu)勢。依托唯物科學(xué)觀的基本哲學(xué)，通過數(shù)智運算增效的技術(shù)應(yīng)用，智能技術(shù)可實現(xiàn)教育精準(zhǔn)決策，具有采集全域數(shù)據(jù)夯實決策數(shù)據(jù)基礎(chǔ)、增強(qiáng)智能算力強(qiáng)化決策模型感知、聚焦算法改進(jìn)提升決策效果評價、實施動態(tài)調(diào)節(jié)推進(jìn)決策更新迭代等價值。本研究通過分析教育決策實踐的關(guān)鍵要素與發(fā)展需求，提出利用智能技術(shù)促進(jìn)教育決策現(xiàn)代化的行動路徑：建構(gòu)全域數(shù)據(jù)庫，筑牢精準(zhǔn)決策的數(shù)智底座；訓(xùn)練教育大模型，形成有效決策的算力支撐；開啟動態(tài)反饋窗，涵養(yǎng)向善決策的內(nèi)生動力。

關(guān)鍵詞：智能技術(shù)；機(jī)器學(xué)習(xí)；教育決策；教育現(xiàn)代化

作者簡介：劉驥，陜西師范大學(xué)教育學(xué)部教授（通訊作者：jiliu@snnu.edu.cn 西安" 710062）；張晉，天津大學(xué)教育學(xué)院博士研究生（天津 300354）

基金項目：2020年度全國教育科學(xué)規(guī)劃國家青年課題“就業(yè)不確定性下的精準(zhǔn)技能培訓(xùn)對策研究”（課題編號：CJA200256）

中圖分類號：G434" "文獻(xiàn)標(biāo)識碼：A" "文章編號：1009-458ｘ（2025）3-0093-18

一、引言

習(xí)近平總書記在主持中共中央政治局第五次集體學(xué)習(xí)時強(qiáng)調(diào)，“堅持以人民為中心發(fā)展教育，主動超前布局、有力應(yīng)對變局、奮力開拓新局，加快推進(jìn)教育現(xiàn)代化”（新華社， 2023），對我國教育現(xiàn)代化發(fā)展提出更高要求。教育現(xiàn)代化是涵蓋教育設(shè)施、教育方法與教育制度等方面的多維度現(xiàn)代化，以著力提高教育質(zhì)量、促進(jìn)教育公平與優(yōu)化教育結(jié)構(gòu)，推進(jìn)教育發(fā)展更加適應(yīng)現(xiàn)代化經(jīng)濟(jì)社會發(fā)展需求。作為教育實踐持續(xù)改進(jìn)的方法論基礎(chǔ)與教育現(xiàn)代化的重要支撐，教育決策現(xiàn)代化是指運用現(xiàn)代化的決策信息、決策技術(shù)與決策機(jī)制等提升教育決策水平，進(jìn)而增強(qiáng)教育供給能力，回應(yīng)社會對優(yōu)質(zhì)教育的需求（滕長利， 2024）。在智能技術(shù)深度促進(jìn)社會全方位變革的大時代背景下，如何精準(zhǔn)識別社會教育需求的變化，有效應(yīng)對數(shù)智時代的教育決策挑戰(zhàn)，已成為推進(jìn)教育現(xiàn)代化的關(guān)鍵“AI之問”。

在智能技術(shù)領(lǐng)域，人工智能作為數(shù)智資源應(yīng)用的核心技術(shù)，能通過設(shè)計學(xué)習(xí)算法從數(shù)據(jù)中模擬人類學(xué)習(xí)行為并實現(xiàn)自我改進(jìn)，可在決策中實現(xiàn)多維數(shù)據(jù)挖掘、復(fù)雜問題分析、個性化政策制定與決策方案改進(jìn)，為促進(jìn)教育決策現(xiàn)代化提供了重要契機(jī)。當(dāng)前，智能技術(shù)賦能下的數(shù)據(jù)驅(qū)動決策（Data-Driven Decision Making）已應(yīng)用于醫(yī)療、金融、物流等多個領(lǐng)域，教育領(lǐng)域?qū)ζ錄Q策應(yīng)用形成迫切期待。國內(nèi)外研究者在教育領(lǐng)域已提出例如批判性數(shù)據(jù)驅(qū)動決策（Critical Data-Driven Decision Making）、多模態(tài)學(xué)習(xí)分析（Multimodal Learning Analytics）等理論模型，不僅在數(shù)據(jù)賦能學(xué)校管理、教師教學(xué)、學(xué)生學(xué)習(xí)等多個方面進(jìn)行實踐探索，而且有效彌補(bǔ)了傳統(tǒng)決策方法在基礎(chǔ)決策信息缺失、應(yīng)對復(fù)雜問題能力有限、忽視學(xué)生個體差異、決策反饋與改進(jìn)機(jī)制不足上的實踐短板，為智能技術(shù)促進(jìn)教育決策現(xiàn)代化勾勒了理論與實踐基礎(chǔ)（Dodman et al.， 2021; Worsley， 2012; 李靜 等， 2023）。鑒于此，探索智能技術(shù)對教育決策現(xiàn)代化的重要驅(qū)動作用，是極具理論與實踐意義的關(guān)鍵問題。本研究旨在通過梳理智能技術(shù)促進(jìn)教育決策現(xiàn)代化的邏輯理路、價值向度與行動路徑，為我國教育決策現(xiàn)代化與教育改革方法論發(fā)展做出貢獻(xiàn)。

二、為什么智能技術(shù)可以促進(jìn)教育決策現(xiàn)代化？

在世界教育數(shù)字化轉(zhuǎn)型快速演進(jìn)與國家教育發(fā)展重大戰(zhàn)略布局的背景下，推動教育決策現(xiàn)代化成為推進(jìn)教育強(qiáng)國建設(shè)的重要內(nèi)容，應(yīng)以遵循教育規(guī)律與個體成長規(guī)律為前提，采用現(xiàn)代化技術(shù)手段與機(jī)制提升效率，由此形成“尊重規(guī)律為先、技術(shù)賦能為擎、教育應(yīng)用為主”的邏輯鏈，在動態(tài)教育管理中提升決策的科學(xué)性（劉驥 等， 2023）。其中，源于唯物主義科學(xué)觀的哲學(xué)邏輯既是智能技術(shù)驅(qū)動教育現(xiàn)代化的基本要點，也是決策實踐效用的出發(fā)點，即深刻總結(jié)事物運行規(guī)律以支撐實踐發(fā)展，為提升決策精準(zhǔn)度筑牢根基。秉持?jǐn)?shù)智運算增效能的技術(shù)邏輯是決策分析提速的助推器，要增進(jìn)在海量數(shù)據(jù)中提取規(guī)律的效率與準(zhǔn)度，為提升決策效率提供有力支撐。智能技術(shù)在教育中的應(yīng)用，應(yīng)以尊重客觀規(guī)律為基礎(chǔ)、技術(shù)賦能為手段，通過精準(zhǔn)分析教育發(fā)展機(jī)遇與挑戰(zhàn)，制定更符合實際、更具效力的政策，進(jìn)而推動教育事業(yè)持續(xù)高質(zhì)量發(fā)展。

（一）源自唯物主義科學(xué)觀的哲學(xué)邏輯

唯物主義科學(xué)觀強(qiáng)調(diào)認(rèn)識客觀物質(zhì)世界的規(guī)律性，認(rèn)為深入分析與總結(jié)客觀規(guī)律可以指導(dǎo)人們正確地看待與改造世界。探索事物運作背后的核心規(guī)律與普遍模式，恰是構(gòu)建模擬人類智能的算法與模型的哲學(xué)基石。早在先秦時期，對客觀規(guī)律的探索與思考便初現(xiàn)端倪。荀子在《天論》中提出了“萬物規(guī)律學(xué)說”，認(rèn)為自然界運動變化有其客觀規(guī)律，并以“天行有?！泵枋鲎匀灰?guī)律是不以人類意志為轉(zhuǎn)移的（李寧， 2021）。隨著17世紀(jì)自然科學(xué)的興起，伽利略開創(chuàng)了“提出假設(shè)、邏輯推理、實驗驗證和總結(jié)規(guī)律”的實驗方法，提供一套由實踐歸納得出自然規(guī)律的分析框架。伴隨工業(yè)化與城市化進(jìn)程的加速，復(fù)雜社會問題接踵而至，實驗方法在總結(jié)社會規(guī)律時逐漸凸顯出實驗條件嚴(yán)苛、可信性不足等問題，如何在錯綜復(fù)雜的社會結(jié)構(gòu)中總結(jié)規(guī)律仍然懸而未決。19世紀(jì)，馬克思在《關(guān)于費爾巴哈的提綱》中將唯物主義原則與實驗方法相結(jié)合，提出應(yīng)在實踐中歸納總結(jié)規(guī)律，形成分析社會規(guī)律的方法論（閆順利， 2006）。

隨著社會變遷速度加快，以人力總結(jié)規(guī)律的實踐在決策中日益顯現(xiàn)出信息處理能力超負(fù)荷的現(xiàn)實問題。計算機(jī)與網(wǎng)絡(luò)技術(shù)的高速發(fā)展使信息時代社會演化出信息復(fù)雜（information complexity）、信息超載（information overload）和信息演化（information evolution）的特征，激發(fā)了人們對具備更高信息處理能力的規(guī)律總結(jié)工具的新需求（Jackson amp; Farzaneh， 2012）。具體而言，一是信息載體與傳播渠道的快速拓展加劇了公共信息獲取與篩選的成本，這就要求決策者具備更強(qiáng)的信息收集能力；二是在信息時代呈指數(shù)級暴漲的未知數(shù)據(jù)和冗雜數(shù)據(jù)超出個人的有效處理能力，對決策時信息分析能力的要求提高；三是在信息更迭速度加快的背景下，信息的時效性和不確定性越來越強(qiáng)，相應(yīng)地需要決策具備更快的運算速度。為回應(yīng)信息時代對決策信息處理能力提升的迫切需求，政治學(xué)家邁克爾·科恩（Cohen， M.）將早期的智能技術(shù)算法作為社會分析方法論的現(xiàn)代分析工具首次引入決策實踐領(lǐng)域（Cohen amp; Axelrod， 1984）。一方面，智能技術(shù)決策強(qiáng)調(diào)運用觀測數(shù)據(jù)對真實世界進(jìn)行觀察，遵循以實踐來感知和理解事物的基本原則；另一方面，智能技術(shù)決策通過擬合數(shù)學(xué)模型的方式分析與表征客觀規(guī)律，用歸納法總結(jié)和闡釋規(guī)律。綜上，智能技術(shù)決策是實踐與歸納演繹方法在數(shù)字時代的有效應(yīng)用，是唯物主義和馬克思主義現(xiàn)代化的重要技術(shù)支點。

（二）數(shù)智運算增強(qiáng)處理效能的技術(shù)邏輯

智能技術(shù)對復(fù)雜決策實踐需求的回應(yīng)，關(guān)鍵在于不斷提升推理能力與智能水平來強(qiáng)化信息處理能力。在提升推理能力方面，智能技術(shù)采用監(jiān)督學(xué)習(xí)（Supervised Learning）與因果推斷方法增強(qiáng)決策分析的因果識別效果。由于以算法為核心的建模技術(shù)不具備在復(fù)雜相關(guān)關(guān)系中剝離出因果關(guān)系的能力，這常常導(dǎo)致其所建立的決策模型得出謬誤（fallacy），嚴(yán)重影響決策效率。而采用因果推斷的監(jiān)督學(xué)習(xí)算法旨在構(gòu)建有條件的期望函數(shù)，以避免潛在的混淆因素對預(yù)測結(jié)果造成影響（Breiman， 2001）。具體而言，采取因果推斷策略的監(jiān)督學(xué)習(xí)可在給定條件下從有標(biāo)簽數(shù)據(jù)集中學(xué)習(xí)特征變量X和結(jié)果變量Y之間的規(guī)律，并通過構(gòu)建有條件的期望函數(shù)（1）擬合出估計量[μx]，以準(zhǔn)確預(yù)測獨立數(shù)據(jù)集中輸出變量Y的真實值（Agrawal et al.， 2019， pp.507-547）。其中，[μx]表示X＝[x]條件下所對應(yīng)Y的平均值或期望值。這意味著監(jiān)督學(xué)習(xí)有助于根據(jù)決策需求擬合恰當(dāng)?shù)臎Q策模型，并據(jù)此預(yù)測與選擇較優(yōu)方案。

在提升智能水平方面，利用無監(jiān)督學(xué)習(xí)（Unsupervised Learning）與強(qiáng)化學(xué)習(xí)（Reinforcement Learning）方法提升決策分析的自動化數(shù)據(jù)處理能力。進(jìn)入數(shù)智時代，海量未知信息給監(jiān)督學(xué)習(xí)的數(shù)據(jù)識別和處理工作帶來挑戰(zhàn)，利用人工標(biāo)注獲得標(biāo)簽數(shù)據(jù)的方法不僅導(dǎo)致決策成本快速提高，更加劇由標(biāo)注偏差引發(fā)決策失誤的風(fēng)險（Athey， 2017）。無監(jiān)督學(xué)習(xí)具有對大數(shù)據(jù)進(jìn)行降維和自主分析的功能，可利用數(shù)據(jù)本身的內(nèi)在統(tǒng)計性質(zhì)來推斷潛在的結(jié)構(gòu)和規(guī)律。對于給定的數(shù)據(jù)集[X=x1，x2，…，xn}]，無監(jiān)督學(xué)習(xí)算法旨在擬合一個最優(yōu)函數(shù)[f]，用于提取或映射輸入數(shù)據(jù)的潛在特征或結(jié)構(gòu)，該過程函數(shù)可表示為：

其中[zn]是[xn]的潛在特征或結(jié)構(gòu)（Hastie et al.， 2009， pp. 437-439）。無監(jiān)督學(xué)習(xí)可通過算法自動發(fā)現(xiàn)數(shù)據(jù)特征并進(jìn)行決策分析，不需要標(biāo)簽數(shù)據(jù)來指導(dǎo)其學(xué)習(xí)過程，因而在降低決策成本、處理復(fù)雜數(shù)據(jù)和不確定性問題中具有顯著優(yōu)勢。強(qiáng)化學(xué)習(xí)輔助決策同樣不要求預(yù)先給定標(biāo)簽數(shù)據(jù)，可通過模擬智能體（smart-agent）與環(huán)境的交互過程學(xué)習(xí)如何進(jìn)行問題分析，決策模型可直接從原始數(shù)據(jù)中提取關(guān)鍵特征并進(jìn)行感知決策（Littman， 2015）。強(qiáng)化學(xué)習(xí)過程本質(zhì)是馬爾可夫決策過程（Markov Decision Process，MDP），其基礎(chǔ)模型與最優(yōu)狀態(tài)值模型如下：

其中，S={[S1，S2，…，Sn]}，表示有限狀態(tài)集合，描述智能體所處環(huán)境的關(guān)鍵特征；A={[A1，A2，…，An]}，表示有限行動集合，描述智能體在決策過程中可以采取的所有行動；P表示狀態(tài)轉(zhuǎn)移概率矩陣，滿足[Pπs，s'=a∈AπasPass']，描述智能體采取策略π在當(dāng)前狀態(tài)下執(zhí)行某個動作后，轉(zhuǎn)化到下一個狀態(tài)的概率；R表示獎勵函數(shù)，滿足[Rπs=a∈AπasRas]，描述智能體采取策略π在某個狀態(tài)下執(zhí)行某個動作所獲得的獎勵反饋；γ[∈][0，1]表示獎勵的折扣因子（discount factor），γ越接近0代表智能體越趨向于獲取短期獎勵，γ越接近1則代表智能體越趨向于獲取長期獎勵（Sutton amp; Barto， 2018， pp. 5-11）。通過對這些元素的分析，智能體會根據(jù)環(huán)境給予的獎勵反饋不斷學(xué)習(xí)規(guī)律，從而修正自己的行為以獲得最大化長期累計獎勵，最終在所有策略中找到能夠?qū)崿F(xiàn)最優(yōu)狀態(tài)的策略[ν*s]。無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)進(jìn)一步提升了數(shù)據(jù)分析的自動化與智能化程度，是智能技術(shù)賦能決策的重要技術(shù)思路。

（三）基于雙重邏輯融匯的教育決策應(yīng)用

如果說智能技術(shù)的哲學(xué)邏輯指向決策規(guī)律探尋，技術(shù)邏輯追求智能算力的提升，那么教育決策應(yīng)用則反映智能技術(shù)的哲學(xué)邏輯與技術(shù)邏輯在教育領(lǐng)域的融匯躍遷，聚焦于總結(jié)人的發(fā)展與教育教學(xué)規(guī)律并據(jù)此提升決策效率。教育作為培養(yǎng)人才與傳承知識的社會實踐，其內(nèi)在的教育規(guī)律為決策提供了邏輯起點。學(xué)習(xí)科學(xué)理論認(rèn)為人類的學(xué)習(xí)機(jī)制存在普遍客觀規(guī)律，通過探索教師、資源、環(huán)境等要素對學(xué)習(xí)過程和學(xué)習(xí)效果的影響機(jī)制，可以揭示學(xué)習(xí)者深層次的認(rèn)知發(fā)展法則，并據(jù)此改進(jìn)教學(xué)策略和提升學(xué)習(xí)成效（馮銳 amp; 任友群， 2009）。因此，智能技術(shù)應(yīng)用于教育決策的重要任務(wù)是通過高效總結(jié)教育規(guī)律輔助與優(yōu)化教育決策，進(jìn)而改進(jìn)教育服務(wù)模式，提升高質(zhì)量教育供給和教育治理水平。在總結(jié)學(xué)習(xí)規(guī)律方面，智能技術(shù)可實現(xiàn)對多元學(xué)習(xí)主體學(xué)業(yè)表現(xiàn)數(shù)據(jù)、學(xué)習(xí)行為數(shù)據(jù)、心理測評數(shù)據(jù)等進(jìn)行深層剖析，總結(jié)其在學(xué)習(xí)過程中的知識建構(gòu)、行為模式與情緒狀態(tài)的變化規(guī)律，為建立學(xué)習(xí)者模型、設(shè)計個性化學(xué)習(xí)方案提供支持（賈維辰 等， 2021）。在總結(jié)教學(xué)規(guī)律方面，智能技術(shù)可依據(jù)教學(xué)活動流構(gòu)建網(wǎng)狀的數(shù)據(jù)模型，對完整教學(xué)情境中“人與人”“人與環(huán)境”的交互機(jī)制進(jìn)行預(yù)測分析，從而準(zhǔn)確反映學(xué)生的學(xué)習(xí)狀態(tài)、教師的教學(xué)行為和教學(xué)風(fēng)格，對優(yōu)化教師的教學(xué)設(shè)計、提高課堂教學(xué)質(zhì)量具有重要意義（Prieto et al.， 2016）。在總結(jié)教育管理規(guī)律方面，智能技術(shù)通過對教育主體、教育活動、教育問題的全方位解構(gòu)，可構(gòu)建面向復(fù)雜教育活動的預(yù)測模型，探究教育現(xiàn)象背后潛藏的深層次教育發(fā)展規(guī)律，并以此做出相應(yīng)的干預(yù)措施，預(yù)防教育管理過程中產(chǎn)生的教育風(fēng)險。

隨著教育數(shù)字化的發(fā)展，數(shù)據(jù)捕捉滯后、數(shù)據(jù)處理低效、數(shù)據(jù)分析失真等問題加劇研究人員分析復(fù)雜教育問題的困難，為精準(zhǔn)教育決策帶來巨大挑戰(zhàn)（Hilbert et al.， 2021）。因此，智能技術(shù)應(yīng)用于教育決策的另一重要方向是利用大數(shù)據(jù)分析能力提高決策精準(zhǔn)度，為擬定高質(zhì)量政策方案奠定技術(shù)基礎(chǔ)。其一，更精細(xì)的數(shù)據(jù)捕捉。智能技術(shù)提供的高算力可實現(xiàn)對高速傳感器數(shù)據(jù)的準(zhǔn)確抓取，為課堂的動態(tài)決策提供支持。例如采用強(qiáng)化學(xué)習(xí)技術(shù)建立的智慧課堂，能通過動態(tài)捕捉每個學(xué)生的心跳、測驗分?jǐn)?shù)、眨眼與面部表情感知學(xué)生學(xué)習(xí)狀態(tài)，以此為學(xué)生推薦課堂效率較高的個性化學(xué)習(xí)方案（Liu et al.， 2018）。其二，更高效的數(shù)據(jù)處理。智能技術(shù)通過特征縮放（feature scaling）、特征編碼（feature encoding）、特征選擇（feature selection）等數(shù)據(jù)預(yù)處理步驟，可快速從原始數(shù)據(jù)中去除冗余信息，準(zhǔn)確識別與提取出決策分析所需的最相關(guān)特征。例如K均值聚類（K-Means Cluster）算法可對原始數(shù)據(jù)集進(jìn)行聚類分析，用于探索學(xué)生學(xué)習(xí)過程中的潛在行為特征并據(jù)此對學(xué)生進(jìn)行精準(zhǔn)分組，為教師向不同學(xué)生群體提供針對性的教學(xué)方案提供依據(jù)（Zhang et al.， 2017）。其三，更準(zhǔn)確的數(shù)據(jù)分析。與因果推斷方法相結(jié)合的智能技術(shù)算法分析結(jié)果更具穩(wěn)健性、可解釋性、公平性，有利于決策者對教育問題形成全面且準(zhǔn)確的認(rèn)識，使教育決策分析過程更加科學(xué)化和精準(zhǔn)化（萬力勇， 2022）。例如有研究利用監(jiān)督學(xué)習(xí)算法準(zhǔn)確評估影響學(xué)生學(xué)習(xí)質(zhì)量提升的教師因素，以此設(shè)定教師評價指標(biāo)，提高師資管理效率（Chalfin et al.， 2016）。

三、智能技術(shù)促進(jìn)教育決策現(xiàn)代化的意義

以唯物主義科學(xué)觀與數(shù)智運算增強(qiáng)處理效能的雙重邏輯審視智能技術(shù)對教育決策各環(huán)節(jié)的賦能作用，其價值一目了然。具體而言，全域數(shù)據(jù)的廣泛采集，為教育決策構(gòu)筑堅實的信息基石；模型感知的深化應(yīng)用，借助智能算力為決策提供敏銳的洞察能力；當(dāng)前算法的分析技術(shù)不斷精進(jìn)，顯著提升決策效果；動態(tài)調(diào)節(jié)的策略實施，有效確保決策與時俱進(jìn)，靈活應(yīng)對多重變化。這四個維度共同勾勒出智能技術(shù)優(yōu)化教育決策的新圖景。

（一）采集全域數(shù)據(jù)夯實決策的數(shù)據(jù)基礎(chǔ)

當(dāng)前多數(shù)教育決策問題源于數(shù)據(jù)收集不足，特別是不同空間、不同級別與不同時間數(shù)據(jù)的缺失，導(dǎo)致決策者難以通過深入分析數(shù)據(jù)間復(fù)雜關(guān)聯(lián)識別其中的隱性教育問題（丁小浩， 2017）。因此，采集包含全場景、全類別、全周期的全域數(shù)據(jù)可顯著提高決策數(shù)據(jù)質(zhì)量，緩解由信息問題導(dǎo)致的教育決策困境。具體而言，依據(jù)智能技術(shù)構(gòu)建全域數(shù)據(jù)可劃分為三大類。

一是通過收集不同空間的信息構(gòu)建全場景數(shù)據(jù)。智能技術(shù)支持對文本圖像、音頻視頻和日志數(shù)據(jù)等多模態(tài)的非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行分析，這一功能使決策者利用教育云平臺、智能可穿戴設(shè)備等多樣態(tài)數(shù)字終端采集數(shù)據(jù)成為可能，從而將教育數(shù)據(jù)收集范圍從原本的科研測試場景轉(zhuǎn)移至學(xué)生生活和教學(xué)管理等日常性教育場景。例如針對語言學(xué)習(xí)場景，開發(fā)的神經(jīng)概率語言模型（Neural Probabilistic Language Model）可以通過自然語言處理技術(shù)自適應(yīng)地學(xué)習(xí)語言的規(guī)律和特征，進(jìn)而對學(xué)生的語言表達(dá)能力、閱讀理解能力等進(jìn)行評估，幫助教師更好地掌握學(xué)生的學(xué)習(xí)情況，提供個性化的指導(dǎo)和支持（Armeni et al.， 2017）。

二是通過收集不同層級的信息建立全類別數(shù)據(jù)。根據(jù)來源與范圍的不同，教育數(shù)據(jù)能被劃分為個體層數(shù)據(jù)、課程層數(shù)據(jù)、學(xué)校層數(shù)據(jù)、區(qū)域?qū)訑?shù)據(jù)和國家層數(shù)據(jù)五類，各層級教育數(shù)據(jù)對不同維度的教育問題具有表征意義（楊現(xiàn)民 等， 2015）。利用不同層級數(shù)據(jù)進(jìn)行決策既可以利用較高層級數(shù)據(jù)在宏觀上把握問題全貌，又可以使用較低層級數(shù)據(jù)考察問題細(xì)節(jié)，進(jìn)而得到更全面準(zhǔn)確的信息，并采取更有效的措施來解決隱性問題。智能技術(shù)可通過自動識別與分類不同層級數(shù)據(jù)，高效建立全類別數(shù)據(jù)。例如有研究使用決策樹（Decision Tree）算法構(gòu)建學(xué)生信息智慧管理系統(tǒng)，根據(jù)學(xué)生年級、專業(yè)、班級、學(xué)號等個人信息，自動分類生成學(xué)生特征數(shù)據(jù)，并將學(xué)生日?；顒优c平臺數(shù)據(jù)庫同步，以進(jìn)行精準(zhǔn)化的課程管理、成績管理與考試管理等（Wang， 2022）。

三是通過保障全時段信息的完整性生成全周期數(shù)據(jù)。當(dāng)決策數(shù)據(jù)為包含多個時間點觀測值的面板數(shù)據(jù)時，便可通過揭示變量之間的動態(tài)關(guān)系識別由時間變化引發(fā)的隱性教育問題，并對問題發(fā)展趨勢進(jìn)行預(yù)測。在這一過程中，決策者可能會面臨存在部分年份或變量值缺失的非平衡面板數(shù)據(jù)，因遺漏變量導(dǎo)致模型分析結(jié)果產(chǎn)生偏誤。對于非平衡面板數(shù)據(jù)，智能技術(shù)的面板數(shù)據(jù)矩陣補(bǔ)全方法（Matrix Completion Method for Panel Data）可以對缺失值進(jìn)行填充，從而在保障數(shù)據(jù)完整的情況下推動決策分析順利進(jìn)行（Athey et al.， 2021）。在教育研究中，面板數(shù)據(jù)的矩陣補(bǔ)全方法可被應(yīng)用于學(xué)生學(xué)習(xí)軌跡、課程評估和智能輔導(dǎo)系統(tǒng)等方面，通過收集和補(bǔ)充教育的全周期數(shù)據(jù)揭示學(xué)生學(xué)習(xí)特征與規(guī)律。

（二）增強(qiáng)智能算力強(qiáng)化決策的模型感知

教育作為一項宏大而復(fù)雜的事業(yè)，具有非線性、自組織性、偶然性與非平衡性等特征，這使得教育問題往往表現(xiàn)為多特征、多層次、多維度的復(fù)雜結(jié)構(gòu)（李洋 amp; 陳齊， 2020）。鑒于此，依賴于方差分析和回歸分析等方法建立的傳統(tǒng)分析模型難以滿足分析復(fù)雜教育問題的需求。為應(yīng)對這一挑戰(zhàn)，可通過構(gòu)建決策大模型來深入分析和理解這些多維度的數(shù)據(jù)，從而提升模型對復(fù)雜決策問題的感知與分析能力。現(xiàn)有實踐主要從三個方向增強(qiáng)決策模型的數(shù)據(jù)感知能力。

第一，數(shù)據(jù)驅(qū)動（data driven）建模觀測多特征數(shù)據(jù)。傳統(tǒng)教育決策建模大多由理論驅(qū)動，決策者需在一定理論指導(dǎo)下選擇模型并在特定數(shù)據(jù)集中擬合模型的最終形態(tài)（Huang amp; Hew， 2018）。過度強(qiáng)調(diào)理論相關(guān)性意味著決策模型需要從理論上厘清變量所代表的概念，那些不能被理論闡釋的變量則無法被納入模型，從而降低了模型對問題的識別能力。而智能技術(shù)決策模型則是建立在全面分析數(shù)據(jù)關(guān)系的基礎(chǔ)上，不僅考量樣本特征，而且增強(qiáng)模型靈活性，以提高決策模型與現(xiàn)實情景的貼合度，增強(qiáng)模型的問題感知能力。

第二，集成法（ensemble method）建模應(yīng)用多層次數(shù)據(jù)。傳統(tǒng)教育模型一般采用單一層次、單一向度的數(shù)據(jù)進(jìn)行分析，難以利用跨學(xué)科知識精準(zhǔn)評定學(xué)生在橫向維度上的綜合學(xué)習(xí)成果與縱向維度上的思維變化過程，因而制約個性化學(xué)習(xí)方案的制定（劉三女牙 等， 2022）。集成法的核心思路是將不同的特點、結(jié)構(gòu)或訓(xùn)練數(shù)據(jù)的模型組合起來，綜合運用多學(xué)科知識與理論視角，使決策分析更具穩(wěn)健性與適應(yīng)性（Athey et al.， 2019）。在教育決策領(lǐng)域，集成法通常被用于學(xué)生表現(xiàn)預(yù)測與學(xué)習(xí)預(yù)警系統(tǒng)，如學(xué)生成績走勢預(yù)測、個性化課程推薦、負(fù)面情緒預(yù)警、輟學(xué)風(fēng)險預(yù)警等。有研究發(fā)現(xiàn)，采用集成法建立的大模型在預(yù)測學(xué)生學(xué)業(yè)表現(xiàn)時，其精確度比單一模型高10%（Ahmad et al.， 2022）。

第三，隨機(jī)梯度下降（Stochastic Gradient Descent）建模適配多維度數(shù)據(jù)。隨機(jī)梯度下降是在多維數(shù)據(jù)集建模中降低誤差的重要方法。其核心思想是充分考量數(shù)據(jù)特征并最小化每條樣本的損失函數(shù)，以保障模型可充分應(yīng)用大規(guī)模多維數(shù)據(jù)集感知決策問題（Montavon et al.， 2012， pp. 421-436）。在教育決策中，隨機(jī)梯度下降可用于學(xué)生個性化學(xué)習(xí)、教師資源分配和學(xué)校管理等包含諸多復(fù)雜變量的模型中。例如在分析影響學(xué)生就業(yè)率因素的研究中，使用隨機(jī)梯度下降的預(yù)測模型可對多達(dá)8組的高維數(shù)據(jù)進(jìn)行分析，并通過最小化預(yù)測值的均方誤差（mean square error）提高結(jié)果準(zhǔn)確性，為學(xué)校向?qū)W生提供個性化就業(yè)幫扶政策提供支撐（Nieto et al.， 2019）。由此可見，智能技術(shù)能有效應(yīng)對復(fù)雜數(shù)據(jù)挑戰(zhàn)，增強(qiáng)大模型針對復(fù)雜決策的感知與分析能力。

（三）聚焦算法改進(jìn)提升決策的效果評價

教育是一項具有高異質(zhì)性（high-heterogeneity）的活動，學(xué)校區(qū)位、學(xué)科特點和學(xué)生個體差異都是影響教育效果的重要因素，需準(zhǔn)確理解政策受眾的個性化需求以提高決策的包容性。智能技術(shù)強(qiáng)調(diào)聚焦樣本特征差異預(yù)測政策實施效果，主動將教育決策情境中客觀存在的差異性納入其決策模型進(jìn)行針對性分析，通過構(gòu)建多維群體特征分析與政策實施效果預(yù)測反饋通道機(jī)制，有效提高決策分析過程對異質(zhì)性的關(guān)注，從而實現(xiàn)決策效能提升。

在構(gòu)建多維群體特征方面，智能技術(shù)算法可歸納出不同學(xué)生群體的共性特征，并以此為基礎(chǔ)對樣本進(jìn)行分層（stratify），以便決策者能更好地識別不同學(xué)生群體特征并制定針對性政策方案。以回歸樹（Regression Tree）算法為例，該算法通過構(gòu)建一棵二叉樹來對樣本進(jìn)行分類。在回歸樹分析過程中，算法會根據(jù)樣本最具區(qū)分度的特征來進(jìn)行分類，然后反復(fù)將數(shù)據(jù)集切分成更小的子集，直到每個分支節(jié)點都代表一個特征高度相似的組群（Athey amp; Imbens， 2016）。有研究利用回歸樹算法對不同社會經(jīng)濟(jì)狀況、種族文化背景和學(xué)業(yè)成績的學(xué)生進(jìn)行有效分類，加深學(xué)校對不同學(xué)生群體的學(xué)習(xí)需求和能力水平的認(rèn)知程度，從而提高個性化學(xué)習(xí)方案和教學(xué)策略的實施效果（Gomes et al.， 2020）。

在不同群體中預(yù)測政策實施效果方面，智能技術(shù)可幫助決策者識別和理解教育政策對不同群體可能產(chǎn)生的異質(zhì)性影響，從而更準(zhǔn)確地評估政策效果與優(yōu)化政策細(xì)節(jié)，提高政策效力并減少負(fù)面影響。例如可根據(jù)政策對樣本的實際影響情況進(jìn)行分組與再測評，并通過分析測試結(jié)果和特征權(quán)重得出不同政策對群體影響的異質(zhì)性（Maldonado et al.， 2020）。有研究利用支持向量機(jī)等算法預(yù)測輟學(xué)干預(yù)措施對不同學(xué)生群體的效果，從而通過設(shè)計針對性的干預(yù)措施有效降低學(xué)生輟學(xué)率（Sansone， 2019）。由此可知，智能技術(shù)可充分衡量異質(zhì)性對決策結(jié)果的影響，為不同群體提供個性化方案。

（四）實施動態(tài)調(diào)節(jié)推進(jìn)決策的更新迭代

進(jìn)入數(shù)智時代，社會教育需求變化加速、教師教學(xué)活動和學(xué)生學(xué)習(xí)方式多元發(fā)展導(dǎo)致教育決策環(huán)境的不確定性與復(fù)雜性日益加劇。這樣的新趨勢在為教育決策時效性帶來巨大挑戰(zhàn)的同時，也讓決策者發(fā)覺智能技術(shù)賦能動態(tài)決策的重要價值。從技術(shù)角度審視，智能技術(shù)具備根據(jù)實時采集的數(shù)據(jù)更新和迭代決策傾向的能力，為構(gòu)建高效更新決策信息輸入、模型響應(yīng)分析以及決策結(jié)果輸出的即時決策系統(tǒng)提供可能。依照數(shù)據(jù)更新度劃分，智能技術(shù)增強(qiáng)決策模型動態(tài)調(diào)節(jié)能力的策略大致有兩類。

第一，系統(tǒng)更新。系統(tǒng)更新是指針對由數(shù)據(jù)變動引發(fā)的變量缺失、模型解釋力下降和結(jié)論錯誤等問題對決策進(jìn)行技術(shù)性糾錯，這一過程需采用增量學(xué)習(xí)（Incremental Learning）模型。當(dāng)系統(tǒng)面臨非平穩(wěn)態(tài)的更新數(shù)據(jù)時，原有的分析結(jié)構(gòu)通常會被新數(shù)據(jù)帶來的變化干擾甚至完全覆蓋，從而導(dǎo)致預(yù)測性能下降。增量學(xué)習(xí)方法則可以根據(jù)新數(shù)據(jù)和舊數(shù)據(jù)的權(quán)重進(jìn)行調(diào)整，在不破壞原有分析結(jié)構(gòu)的基礎(chǔ)上，繼續(xù)學(xué)習(xí)新數(shù)據(jù)以提高預(yù)測精準(zhǔn)度（Belouadah et al.， 2021）。在準(zhǔn)確性評估方面，有研究發(fā)現(xiàn)將增量學(xué)習(xí)模型與原本單一算法相結(jié)合，可有效提升對新數(shù)據(jù)的分析準(zhǔn)確性，其準(zhǔn)確率最高可達(dá)75.1%（羅楊洋 amp; 韓錫斌， 2021）。在實際應(yīng)用中，增量學(xué)習(xí)模型通常用于課堂教學(xué)輔助系統(tǒng)，通過將動態(tài)捕捉的學(xué)生課堂行為數(shù)據(jù)與歷史分析數(shù)據(jù)相比對，實時評估學(xué)生各項能力發(fā)展?fàn)顩r與成績預(yù)測結(jié)果，從而輔助教師及時調(diào)整后續(xù)課程計劃（García et al.， 2007）。

第二，系統(tǒng)迭代。系統(tǒng)迭代是指針對決策模型和決策需求不匹配的情況，從根本上改進(jìn)決策模型設(shè)計結(jié)構(gòu)并以新模型為基礎(chǔ)建立新決策框架，這一過程主要采用遷移學(xué)習(xí)（Transfer Learning）模型。遷移學(xué)習(xí)模型的核心思想是將已訓(xùn)練好的模型參數(shù)遷移應(yīng)用于新決策模型中，同時通過糾正樣本分布偏移和降低樣本分布失衡，提高新模型的性能和效率（Pan amp; Yang， 2009）。采用遷移學(xué)習(xí)模型的個性化學(xué)習(xí)、知識分類和學(xué)習(xí)資源推薦等技術(shù)，可以根據(jù)學(xué)生歷史表現(xiàn)和學(xué)習(xí)偏好創(chuàng)建智能輔導(dǎo)系統(tǒng)，為學(xué)生提供個性化的學(xué)習(xí)方案。例如有研究利用遷移學(xué)習(xí)模型推測學(xué)生發(fā)展趨勢，通過識別學(xué)生學(xué)習(xí)特點并提供專屬的學(xué)習(xí)輔導(dǎo)策略，提高學(xué)生課程完成率和學(xué)業(yè)成績（Tsiakmaki et al.， 2020）。

四、智能技術(shù)何以促進(jìn)教育決策現(xiàn)代化

立足于全域數(shù)據(jù)、數(shù)據(jù)感知、算法改進(jìn)與動態(tài)調(diào)節(jié)的基本價值，智能技術(shù)的應(yīng)用正為精準(zhǔn)教育決策發(fā)展開辟新賽道，也對數(shù)智賦能教育決策現(xiàn)代化提出了新要求。面向數(shù)智時代，教育研究者與決策者既應(yīng)積極探索更多數(shù)字技術(shù)的教育應(yīng)用可能，還應(yīng)參與智能決策路徑優(yōu)化建設(shè)，積極響應(yīng)國家對教育數(shù)字化轉(zhuǎn)型的整體構(gòu)想與政策要求。為加速推動數(shù)智時代教育決策能力的發(fā)展，應(yīng)當(dāng)探索智能技術(shù)支持的集“數(shù)據(jù)挖掘、模型構(gòu)建、更新迭代”于一體的新時代教育決策路徑（如圖1所示），全面優(yōu)化教育決策實踐所涉及的采集與管理數(shù)據(jù)、建立與調(diào)試模型、更新與迭代系統(tǒng)等環(huán)節(jié)，提升智能技術(shù)促進(jìn)教育決策現(xiàn)代化的效果。

（一）建構(gòu)全域數(shù)據(jù)庫，筑牢精準(zhǔn)決策的數(shù)智底座

數(shù)據(jù)是智能技術(shù)感知與理解真實世界的基礎(chǔ)，包含用于表征決策情境與基本狀態(tài)的諸多信息集合。全域數(shù)據(jù)以多類別、多視角、多時段數(shù)據(jù)提升決策主體與環(huán)境描述的豐富性，成為保障決策因果鏈清晰完善、洞察不同教育群體需求差異、增進(jìn)教育決策實效的重要信息單元。教育部印發(fā)的《教育信息化2.0行動計劃》提出全面提高利用大數(shù)據(jù)支撐保障教育管理、決策和公共服務(wù)的能力，助力教育教學(xué)、管理和服務(wù)的改革發(fā)展（教育部， 2018）。因此應(yīng)堅持以提升教育質(zhì)量為中心，面向教育管理與決策需求，構(gòu)建真實反映教育問題的全域數(shù)據(jù)。一是加強(qiáng)數(shù)字基礎(chǔ)設(shè)施建設(shè)。應(yīng)與《教育部等六部門關(guān)于推進(jìn)教育新型基礎(chǔ)設(shè)施建設(shè)構(gòu)建高質(zhì)量教育支撐體系的指導(dǎo)意見》相銜接，聚焦信息網(wǎng)絡(luò)、平臺體系、數(shù)字資源、智慧校園、創(chuàng)新應(yīng)用、可信安全等方面的新型基礎(chǔ)設(shè)施體系（教育部等六部門， 2021），加快建設(shè)智慧校園，為構(gòu)建全域數(shù)據(jù)奠定數(shù)智環(huán)境基礎(chǔ)。加快部署改造升級物聯(lián)網(wǎng)關(guān)與信息傳感器等教育智能設(shè)備，打造智能化、數(shù)據(jù)化的校園管理綜合服務(wù)系統(tǒng)，為收集教育全域數(shù)據(jù)提供便利條件。二是建立教育數(shù)據(jù)共享融合機(jī)制。當(dāng)前教育部正將實施國家教育數(shù)字化戰(zhàn)略行動作為重要任務(wù)，強(qiáng)調(diào)建設(shè)國家智慧教育公共服務(wù)平臺，創(chuàng)新數(shù)字資源供給模式，豐富數(shù)字教育資源和服務(wù)供給（教育部， 2022）。為提高教育數(shù)據(jù)使用效率，應(yīng)整合不同層級教育平臺的多樣化教育資源，統(tǒng)籌推進(jìn)業(yè)務(wù)融合與數(shù)據(jù)共享，發(fā)揮教育資源平臺互聯(lián)互通對建設(shè)優(yōu)質(zhì)教育數(shù)據(jù)資源庫的推動作用。三是填補(bǔ)現(xiàn)有教育數(shù)據(jù)空白。針對未進(jìn)行數(shù)字化的教育資料，利用信息采集技術(shù)對該類數(shù)據(jù)進(jìn)行數(shù)字化的拆解、重構(gòu)與再生成。針對存在少量年份缺失的教育數(shù)據(jù)，采用智能技術(shù)進(jìn)行生成和填補(bǔ)。這一過程需注意現(xiàn)有數(shù)據(jù)的兼容性與銜接性，降低重復(fù)采集等問題。

從本質(zhì)上看，教育是以人為主體的社會活動，利用智能技術(shù)促進(jìn)教育決策現(xiàn)代化更需要發(fā)揮人的作用，要通過人、依靠人、服務(wù)人，以能否促進(jìn)人的發(fā)展為價值判斷準(zhǔn)則。因此在教育決策基礎(chǔ)性轉(zhuǎn)化的第一步數(shù)據(jù)收集中，應(yīng)以教育實景中的各個主體為目標(biāo)，關(guān)注學(xué)生、家長、教師、學(xué)校、教育研究者與教育決策者的教育需求。在這一環(huán)節(jié)，智能技術(shù)通過數(shù)據(jù)挖掘、特征處理、數(shù)據(jù)分割與數(shù)據(jù)監(jiān)測四個步驟實現(xiàn)高效采集與管理教育數(shù)據(jù)。采集數(shù)據(jù)方面，數(shù)據(jù)挖掘是指從圖像、文本、音頻等資料中提取或搜索有潛在應(yīng)用價值信息的過程。具體而言，識別與采集學(xué)生作業(yè)、考試試卷等文本數(shù)據(jù)可采用自然語言處理算法，而分析學(xué)生課堂活動音頻、視頻等數(shù)據(jù)可采用多層感知（Multilayer Perception）算法。在此基礎(chǔ)上，教育數(shù)據(jù)挖掘（educational data mining）更加強(qiáng)調(diào)直接生成可用于表征學(xué)習(xí)者行為習(xí)慣、心理特征、知識結(jié)構(gòu)等信息的泛教育數(shù)據(jù)，為教育決策分析提供更加精準(zhǔn)的教育特征變量（Pe?a-Ayala， 2014）。例如以智能算法構(gòu)建的學(xué)習(xí)管理系統(tǒng)，可根據(jù)學(xué)生學(xué)習(xí)狀況直接生成包含學(xué)習(xí)投入度、學(xué)生學(xué)習(xí)成果與教學(xué)滿意度等16個維度的教育數(shù)據(jù)，有效提高教育數(shù)據(jù)的收集處理速度（Jalota amp; Agrawal， 2019）。管理數(shù)據(jù)方面，特征處理是根據(jù)研究目標(biāo)遴選數(shù)據(jù)集中能更好表達(dá)問題本質(zhì)的樣本特征的過程。例如，選用決策樹、K最近鄰（K-Nearest Neighbor）、支持向量機(jī)（Support Vector Machine）與樸素貝葉斯（Naive Bayesian）等算法分析學(xué)生日常數(shù)據(jù)，將其按學(xué)習(xí)成績、性格特點等劃分到不同類別中（Kavipriya， 2016）。按決策研究所需的關(guān)鍵特征管理教育數(shù)據(jù)，可提高決策模型與數(shù)據(jù)的匹配效率，并最終提高模型預(yù)測效能。完成特征處理后，數(shù)據(jù)分割是將所選擇數(shù)據(jù)按照一定比例劃分為訓(xùn)練集、驗證集與測試集，為后續(xù)模型的訓(xùn)練調(diào)參與評估分析構(gòu)造數(shù)據(jù)基礎(chǔ)。數(shù)據(jù)監(jiān)測指對決策所用的數(shù)據(jù)進(jìn)行實時或定期評估，通常用于采集最新數(shù)據(jù)及填補(bǔ)空缺數(shù)據(jù)，為系統(tǒng)更新與迭代提供數(shù)據(jù)保障。在完成自動化數(shù)據(jù)挖掘后，需進(jìn)一步發(fā)揮人工的數(shù)據(jù)監(jiān)測職責(zé)，對數(shù)據(jù)收集范圍與標(biāo)準(zhǔn)進(jìn)行檢驗，手動篩查并去除重復(fù)、無效或錯誤數(shù)據(jù)，并據(jù)此生成數(shù)據(jù)信息反饋供決策者判斷數(shù)據(jù)是否合規(guī)。

（二）訓(xùn)練教育大模型，形成有效決策的算力支撐

全域數(shù)據(jù)的最終價值不在于數(shù)據(jù)種類及總量的多少，而在于如何分析與總結(jié)其中所蘊(yùn)含的實踐規(guī)律，這一關(guān)切在建立與調(diào)試決策大模型的過程中得以回應(yīng)?！督逃筷P(guān)于加強(qiáng)新時代教育管理信息化工作的通知》明確提出，充分發(fā)揮數(shù)據(jù)的作用，建立教育大數(shù)據(jù)分析模型，推進(jìn)教育決策科學(xué)化、管理精準(zhǔn)化和服務(wù)個性化水平全面提升（教育部， 2021）。相較于依賴決策者主觀經(jīng)驗的決策方式而言，決策大模型能有效規(guī)避碎片化信息、知識體系和主觀意志所造成的負(fù)面影響，實現(xiàn)對教育生態(tài)的全局考量及對決策的潛在風(fēng)險進(jìn)行合理預(yù)測，并通過準(zhǔn)確衡量個體之間的差異性回應(yīng)多樣化教育需求與促進(jìn)教育公平，滿足教育決策科學(xué)化的發(fā)展需要。應(yīng)從模型建立、模型運用與問題分析等方面精準(zhǔn)發(fā)力，進(jìn)一步強(qiáng)化決策大模型賦能教育決策現(xiàn)代化的支撐作用。一是采用多學(xué)科知識構(gòu)建大模型。一方面，為實現(xiàn)對教育主體的精準(zhǔn)刻畫，所采集的教育數(shù)據(jù)應(yīng)涵蓋基于教育學(xué)、心理學(xué)、腦科學(xué)與思維科學(xué)等多學(xué)科理論的綜合指標(biāo)，采用單一學(xué)科知識無法完全掌握數(shù)據(jù)中所反映的豐富信息；另一方面，教育決策涉及面廣、復(fù)雜性高，教育問題的復(fù)雜性要求決策者全面考慮經(jīng)濟(jì)、社會、文化等要素，從多角度反映利益相關(guān)者的關(guān)切和訴求。因此，采用多學(xué)科知識建模可提高決策大模型對教育數(shù)據(jù)與教育問題的綜合分析能力，以便教育決策者能更全面地理解與分析復(fù)雜教育問題。二是培養(yǎng)各級教育管理者的數(shù)字治理能力。教育管理者的數(shù)字治理能力是指利用數(shù)字技術(shù)獲取與分析數(shù)字資源、解決教育問題、推動教育教學(xué)活動創(chuàng)新變革的能力。提升教育管理者的數(shù)字治理能力有助于更好地應(yīng)用大模型分析教育問題（陳云龍 amp; 孔娜， 2023）。因此，應(yīng)充分利用國家智慧教育平臺的數(shù)字教學(xué)資源為各級教育管理者提供學(xué)習(xí)機(jī)會，通過課程培訓(xùn)提升教育管理者的數(shù)字治理能力。三是利用大模型識別和分析現(xiàn)有的教育問題。利用決策大模型識別、分析與解決我國各階段教育發(fā)展的真問題，有助于回應(yīng)群眾對教育的關(guān)切與期盼，讓群眾享受到更有質(zhì)量、更加公平的教育。在學(xué)前教育階段大力推進(jìn)普惠發(fā)展，提高公辦幼兒園與普惠幼兒園在園兒童占比，完善貫穿學(xué)前教師專業(yè)發(fā)展全過程的培養(yǎng)標(biāo)準(zhǔn)體系（趙小紅， 2022）。在基礎(chǔ)教育階段突出優(yōu)質(zhì)均衡發(fā)展，深化教育評價改革促進(jìn)學(xué)生全面發(fā)展，促進(jìn)基礎(chǔ)教育區(qū)域協(xié)同發(fā)展，推進(jìn)教育公平（薛二勇 amp; 李健， 2022）。在高等教育階段堅持高質(zhì)量發(fā)展，以需求牽引供給，深化高等教育供給側(cè)結(jié)構(gòu)性改革，優(yōu)化高等教育布局（王曉茜 amp; 張玨， 2023）。

構(gòu)建與調(diào)試教育決策大模型可細(xì)分為模型訓(xùn)練、模型驗證、模型測試、模型解釋、模型優(yōu)化和系統(tǒng)構(gòu)建六個相對具體的步驟。由于智能技術(shù)決策模型包含兩類參數(shù)，一類是通過數(shù)據(jù)從學(xué)習(xí)和估計中獲取、用于提高預(yù)測準(zhǔn)確性的模型參數(shù)，另一類是需要人為設(shè)定、用于應(yīng)對模型復(fù)雜程度和訓(xùn)練過程的超參數(shù)（hyper-parameter），因此，建立教育決策模型需經(jīng)歷模型訓(xùn)練與模型驗證兩個步驟來設(shè)置參數(shù)。首先，決策者需要根據(jù)問題和數(shù)據(jù)特點選擇合適的算法，利用訓(xùn)練集數(shù)據(jù)調(diào)整模型參數(shù)。結(jié)合決策數(shù)據(jù)集屬性，該過程需靈活組合運用集成法、隨機(jī)梯度下降等多種方法建立恰當(dāng)?shù)姆治瞿Ｐ?，為后續(xù)步驟筑牢基礎(chǔ)。其次，決策者需利用驗證集數(shù)據(jù)進(jìn)一步調(diào)整模型的超參數(shù)，以提高模型在不同數(shù)據(jù)集中的泛化能力。為進(jìn)一步提高模型對異質(zhì)性的考察能力，降低決策錯誤率，決策者需在完成建模后進(jìn)一步調(diào)試模型。該過程共分為模型測試、模型解釋和模型優(yōu)化三個步驟。第一步，把初步建立的決策模型放到測試集數(shù)據(jù)中再次進(jìn)行測試。測試集數(shù)據(jù)的作用是評估決策模型在實際應(yīng)用中的性能表現(xiàn)，以驗證該模型的泛化能力，確保其能夠準(zhǔn)確地預(yù)測新樣本的輸出結(jié)果。第二步與第三步皆為人機(jī)協(xié)同過程，需充分發(fā)揮人類在自由裁量與價值判斷方面的價值。其中，第二步要求決策者依據(jù)現(xiàn)有理論分析和解釋模型如何做出預(yù)測，并將結(jié)論和驗證結(jié)果與政策相關(guān)人員溝通，展示模型的性能和應(yīng)用價值。該步驟可從理論和應(yīng)用雙重角度提高模型的可解釋性，加強(qiáng)模型與各類教育場景需求的貼合度，使分析結(jié)果更加符合以促進(jìn)人的發(fā)展為核心的教育目標(biāo)。第三步，決策者根據(jù)結(jié)論和反饋對模型進(jìn)行修正優(yōu)化，重新進(jìn)行測試和驗證。在建立模型與調(diào)試模型完成后，需設(shè)計一套處理決策信息輸入、模型響應(yīng)分析與決策結(jié)果輸出的流程，以便決策者更好地管理資源配置、優(yōu)化分析流程與提高決策效率。

（三）開啟動態(tài)反饋窗，涵養(yǎng)向善決策的內(nèi)生動力

更新與迭代系統(tǒng)是決策模型自我改良與自我完善的關(guān)鍵一環(huán)，開啟決策動態(tài)反饋窗對提升決策內(nèi)在生命力具有促進(jìn)作用。百年未有之大變局下，政治經(jīng)濟(jì)與科技文化的變革引發(fā)教育環(huán)境的快速變化，作為立足現(xiàn)實面向未來的教育事業(yè)，唯有主動識變、應(yīng)變和求變，才能實現(xiàn)教育高質(zhì)量發(fā)展和教育現(xiàn)代化?！吨袊逃F(xiàn)代化2035》提出，鼓勵大膽探索、積極改革創(chuàng)新，形成充滿活力、富有效率和有利于高質(zhì)量發(fā)展的教育體制機(jī)制（中共中央 amp; 國務(wù)院， 2019）。推進(jìn)教育改革需著力提高決策風(fēng)險掌控能力，從識別決策環(huán)境變化、回應(yīng)社會教育需求與預(yù)測教育發(fā)展趨勢三個方面精準(zhǔn)發(fā)力，提高決策的前瞻性和精準(zhǔn)性，建立高效運行、執(zhí)行有力的決策動態(tài)反饋制度。一是準(zhǔn)確識別決策環(huán)境變化，加快系統(tǒng)更新迭代速率。充分利用智能技術(shù)在數(shù)據(jù)挖掘、深度分析與動態(tài)評估方面的優(yōu)勢，對決策環(huán)境的變化進(jìn)行全方位跟蹤監(jiān)測，并根據(jù)監(jiān)測結(jié)果及時更新與迭代決策模型。二是建立政策效果反饋信息平臺，回應(yīng)社會教育需求。解決人民群眾急難愁盼的教育問題，應(yīng)找準(zhǔn)新時代人民群眾對教育的新關(guān)切與新期盼，并將這些教育需求顯化在教育決策的具體行動中。因此需鼓勵教育咨詢機(jī)構(gòu)以及社會公眾表達(dá)教育訴求和建議，為教育決策活動提供可靠的反饋信息，促進(jìn)教育決策的民主化與科學(xué)化。三是建立教育發(fā)展動態(tài)預(yù)警機(jī)制，預(yù)測教育發(fā)展趨勢。教育政策的出臺往往需要以預(yù)測性和前瞻性的研究為基礎(chǔ)和依據(jù)，建立決策動態(tài)預(yù)警機(jī)制可幫助決策者提前感知教育問題并采取有效措施予以干預(yù)。圍繞我國教育需求，可從宏觀、中觀和微觀三個層次建立教育發(fā)展動態(tài)預(yù)警機(jī)制。例如宏觀上以推進(jìn)教育公平和區(qū)域協(xié)調(diào)發(fā)展為核心建立國家教育發(fā)展動態(tài)預(yù)警機(jī)制；中觀上以提升課程質(zhì)量和教師隊伍建設(shè)為核心建立學(xué)校發(fā)展動態(tài)預(yù)警機(jī)制；微觀上以提升學(xué)習(xí)質(zhì)量和促進(jìn)個性化發(fā)展為核心建立學(xué)生發(fā)展動態(tài)預(yù)警機(jī)制。

系統(tǒng)的更新與迭代通過數(shù)據(jù)更新、需求評估、系統(tǒng)評估、反饋分析和系統(tǒng)維護(hù)得以實現(xiàn)。第一，數(shù)據(jù)更新是指伴隨決策情境變化對決策數(shù)據(jù)進(jìn)行增量式采集和管理的過程。決策者需將先驗版本模型的預(yù)測錯誤、與問題相關(guān)的新數(shù)據(jù)作為新一輪數(shù)據(jù)收集的重點，這些數(shù)據(jù)可以使模型有效感知決策問題的最新變化并提高其預(yù)測能力。第二，需求評估是指決策者根據(jù)數(shù)據(jù)變動情況分析決策需求是否改變的過程。如決策需求未發(fā)生改變，決策者需進(jìn)行更新，利用增量學(xué)習(xí)模型矯正更新參數(shù)。如決策需求發(fā)生改變，決策者則需進(jìn)行模型迭代，通過遷移學(xué)習(xí)模型將已訓(xùn)練好的參數(shù)遷移應(yīng)用于新決策模型中，并圍繞新模型構(gòu)建新決策系統(tǒng)。第三，系統(tǒng)評估是指決策者再次利用新數(shù)據(jù)集評估新決策系統(tǒng)在實際環(huán)境中的性能表現(xiàn)，驗證改進(jìn)是否有效。第四，反饋分析是指根據(jù)模型預(yù)測結(jié)果進(jìn)一步優(yōu)化和改進(jìn)決策系統(tǒng)的過程，其通常需要決策者結(jié)合具體情境采用特定算法進(jìn)行優(yōu)化，是人機(jī)協(xié)同決策的重要步驟。例如，診斷模型預(yù)測學(xué)生成績是否存在誤判與漏判情況可采用混淆矩陣（Confusion Matrix）算法；根據(jù)學(xué)生學(xué)習(xí)數(shù)據(jù)的更新進(jìn)一步修正學(xué)習(xí)行為建模可采用K折交叉驗證（K-fold Cross Validation）算法；結(jié)合學(xué)校教育歷史數(shù)據(jù)與時間信息優(yōu)化教育資源配置情況可采用時間序列交叉驗證（Time Series Cross Validation）算法，等等。一方面，反饋分析有利于決策者更清晰地解析模型問題與改進(jìn)點，進(jìn)一步優(yōu)化模型，提高其性能；另一方面，通過反饋信息決策者可以掌握社會對教育發(fā)展的實際需求，提升政策實施效果。第五，系統(tǒng)維護(hù)是指在模型部署后通過定期監(jiān)測模型性能并進(jìn)行系統(tǒng)更新迭代，以保證其能夠持續(xù)地適應(yīng)決策情境和需求的變化。當(dāng)智能技術(shù)輔助決策完成后，為預(yù)防算法黑箱、預(yù)測偏差與算法偏見等引發(fā)的教育決策失衡風(fēng)險，還需在決策商議環(huán)節(jié)發(fā)揮人的主導(dǎo)作用，進(jìn)一步對決策方案細(xì)節(jié)進(jìn)行修訂與整理，使其更加符合學(xué)生、家長、教師、學(xué)校與教育研究者等多主體需求。

五、結(jié)語

黨的二十大報告提出“中國式現(xiàn)代化”命題，強(qiáng)調(diào)“教育、科技、人才是全面建設(shè)社會主義現(xiàn)代化國家的基礎(chǔ)性、戰(zhàn)略性支撐”（習(xí)近平， 2022）。在這個新時代命題下，如何有效推動教育改革，特別是發(fā)揮智能技術(shù)在推進(jìn)教育現(xiàn)代化進(jìn)程中的積極作用，通過激發(fā)數(shù)據(jù)要素生產(chǎn)力提升教育決策效率、優(yōu)化教育資源配置、形成教育新質(zhì)生產(chǎn)力，正成為極具戰(zhàn)略價值的研究內(nèi)容。懷進(jìn)鵬（2024）在2024年世界教育大會上提出“以智助管，建設(shè)資源配置、決策支持等智能工具，提升教育治理體系與治理能力的現(xiàn)代化水平”的重要倡議。從現(xiàn)有實踐來看，智能技術(shù)可有效運用全域數(shù)據(jù)識別教育情境中的隱性問題，構(gòu)建決策大模型分析復(fù)雜問題成因，聚焦個體異質(zhì)性回應(yīng)教育關(guān)切熱點，動態(tài)評估與改進(jìn)政策實施效果，進(jìn)而通過高水平的教育決策引領(lǐng)更高質(zhì)量的教育發(fā)展。

展望未來，新智能技術(shù)的發(fā)展既帶來無限機(jī)遇也伴隨潛在風(fēng)險。一方面，隨著智能技術(shù)與教育領(lǐng)域的深度融合，技術(shù)應(yīng)用中存在的數(shù)據(jù)濫用、算法綁架、隱私泄露、技術(shù)依賴等風(fēng)險值得警惕，應(yīng)充分發(fā)揮人在教育決策中的主導(dǎo)地位，持續(xù)追求技術(shù)與人性的平衡，讓智能技術(shù)賦能的智慧決策成為推動教育決策現(xiàn)代化發(fā)展的助推器（吳河江 amp; 吳砥， 2024）；另一方面，中國式教育現(xiàn)代化不僅要堅持立足于我國教育發(fā)展實際，解決真實教育問題，更要思考如何運用更新、更優(yōu)質(zhì)的技術(shù)提高優(yōu)質(zhì)教育供給，勾勒以數(shù)字技術(shù)革新為重要驅(qū)動力、實現(xiàn)具有中國特色的教育高質(zhì)量發(fā)展的圖景（劉驥 amp; 岳霖， 2024）。

參考文獻(xiàn)

陳云龍， amp; 孔娜. （2023）. 我國教育數(shù)字化轉(zhuǎn)型的基礎(chǔ)、挑戰(zhàn)與建議. 中國教育學(xué)刊（4）， 25-31.

丁小浩. （2017）. 大數(shù)據(jù)時代的教育研究. 清華大學(xué)教育研究（5）， 8-14.

馮銳， amp; 任友群. （2009）. 學(xué)習(xí)研究的轉(zhuǎn)向與學(xué)習(xí)科學(xué)的形成. 電化教育研究（2）， 23-26.

懷進(jìn)鵬. （2024）. 攜手推動數(shù)字教育應(yīng)用、共享與創(chuàng)新——在2024世界數(shù)字教育大會上的主旨演講. 中國教育信息化（2）， 3-10.

賈維辰， 彭俊， amp; 任英杰. （2021）. 計算教育學(xué)國內(nèi)發(fā)展現(xiàn)狀分析與未來展望——基于語言模型和自然語言生成技術(shù). 遠(yuǎn)程教育雜志（3）， 42-51.

教育部. （2018-4-18）. 教育部關(guān)于印發(fā)《教育信息化2.0行動計劃》的通知. 中華人民共和國教育部網(wǎng)站. http：//www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html

教育部. （2021-3-15）. 教育部關(guān)于加強(qiáng)新時代教育管理信息化工作的通知. 中華人民共和國教育部網(wǎng)站. http：//www.moe.gov.cn/srcsite/A16/s3342/202103/t20210322_521669.html

教育部. （2022-2-9）. 教育部2022年工作要點. 中華人民共和國教育部網(wǎng)站. http：//www.gov.cn/xinwen/2022-02/09/content_5672684.htm

教育部等六部門. （2021-7-8）. 教育部等六部門關(guān)于推進(jìn)教育新型基礎(chǔ)設(shè)施建設(shè)構(gòu)建高質(zhì)量教育支撐體系的指導(dǎo)意見. 中華人民共和國教育部網(wǎng)站. http：//www.moe.gov.cn/srcsite/A16/s3342/202107/t20210720_545783.html

李靜， 顧秦一， 蔣少杰， amp; 鄭旭東. （2023）. 數(shù)據(jù)驅(qū)動教學(xué)決策真的有效嗎？——基于近十年國內(nèi)外43項相關(guān)的實驗和準(zhǔn)實驗元分析. 現(xiàn)代教育技術(shù)（9）， 67-77.

李寧. （2021）. 馬克思主義基本原理同中華優(yōu)秀傳統(tǒng)文化相結(jié)合：百年思想演進(jìn). 東南大學(xué)學(xué)報（哲學(xué)社會科學(xué)版）（6）， 14-22， 145.

李洋， amp; 陳齊. （2020）. 教育研究混合方法的發(fā)展、哲學(xué)基礎(chǔ)與設(shè)計應(yīng)用. 高教探索（9）， 37-43.

劉驥， 強(qiáng)發(fā)瑛， amp; 李海茜. （2023）. 論高質(zhì)量發(fā)展背景下教育決策現(xiàn)代化的循證選擇. 山西師大學(xué)報（社會科學(xué)版）（5）， 95-105.

劉驥， amp; 丘霖. （2024）. 生成式人工智能嵌入教育應(yīng)用的風(fēng)險生成及其規(guī)制. 現(xiàn)代遠(yuǎn)距離教育（4）， 12-19.

劉三女牙， 周子荷， amp; 李卿. （2022）. 再論“計算教育學(xué)”：人工智能何以改變教育研究. 教育研究（4）， 18-27.

羅楊洋， amp; 韓錫斌. （2021）. 基于增量學(xué)習(xí)算法的混合課程學(xué)生成績預(yù)測模型研究. 電化教育研究（7）， 83-90.

滕長利. （2024）. 從“數(shù)治”到“善治”：教育治理現(xiàn)代化的模式轉(zhuǎn)換. 中國遠(yuǎn)程教育（10）， 26-35.

萬力勇. （2022）. 算法時代的教育預(yù)測及其研究范式轉(zhuǎn)變. 遠(yuǎn)程教育雜志（3）， 35-44.

王曉茜， amp; 張玨. （2023）. 高等教育高質(zhì)量發(fā)展的理論意涵與實踐進(jìn)路. 高校教育管理（3）， 21-31.

吳河江， amp; 吳砥. （2024）. 教育領(lǐng)域通用大模型應(yīng)用倫理風(fēng)險的表征、成因與治理. 清華大學(xué)教育研究（2）， 33-41.

習(xí)近平. （2022-10-25）. 高舉中國特色社會主義偉大旗幟 為全面建設(shè)社會主義現(xiàn)代化國家而團(tuán)結(jié)奮斗——在中國共產(chǎn)黨第二十次全國代表大會上的報告. 中華人民共和國中央人民政府網(wǎng)站. https：//www.gov.cn/gongbao/content/2022/content_5722378.htm

新華社. （2023-5-29）. 習(xí)近平主持中央政治局第五次集體學(xué)習(xí)并發(fā)表重要講話. 中華人民共和國中央人民政府網(wǎng)站. https：//www.gov.cn/yaowen/liebiao/202305/content_6883632.htm

薛二勇， amp; 李健. （2022）. 建設(shè)基礎(chǔ)教育強(qiáng)國：解讀二十大報告新部署. 中小學(xué)管理（12）， 9-12.

閆順利. （2006）. 馬克思主義哲學(xué)認(rèn)識過程論探微. 理論探討（5）， 60-63.

楊現(xiàn)民， 王榴卉， amp; 唐斯斯. （2015）. 教育大數(shù)據(jù)的應(yīng)用模式與政策建議. 電化教育研究（9）， 54-61， 69.

趙小紅. （2022）. 教育公平視域下學(xué)前特殊教育政策的進(jìn)路. 教育研究（12）， 65-75.

中共中央， amp; 國務(wù)院. （2019-2-23）. 中共中央、國務(wù)院印發(fā)《中國教育現(xiàn)代化2035》. 中華人民共和國中央人民政府網(wǎng)站. http：//www.gov.cn/xinwen/2019-02/23/content_5367987.htm

Agrawal， A.， Gans， J.， amp; Goldfarb， A. （2019）. The economics of artificial intelligence： An agenda. University of Chicago Press.

Ahmad， S.， El-Affendi， M.A.， Anwar， M. S.， amp; Iqbal， R. （2022）. Potential future directions in optimization of students’ performance prediction system. Computational Intelligence and Neuroscience（1）， 1-26.

Armeni， K.， Willems， R. M.， amp; Frank， S. L. （2017）. Probabilistic language models in cognitive neuroscience： Promises and pitfalls. Neuroscience amp; Biobehavioral Reviews， 83（1）， 579-588.

Athey， S. （2017）. Beyond prediction： Using big data for policy problems. Science， 355（6324）， 483-485.

Athey， S.， Bayati， M.， Doudchenko， N.， Imbens， G.， amp; Khosravi， K. （2021）. Matrix completion methods for causal panel data models. Journal of the American Statistical Association， 116（536）， 1716-1730.

Athey， S.， Bayati， M.， Imbens， G.， amp; Qu， Z. （2019）. Ensemble methods for causal effects in panel data settings. In W. Johnson， L. Vilhuber， amp; T. Lippert （Eds.）， 2019 AEA Papers and Proceedings （pp. 65-70）. American Economic Association Press.

Athey， S.， amp; Imbens， G. （2016）. Recursive partitioning for heterogeneous causal effects. Proceedings of the National Academy of Sciences， 113（27）， 7353-7360.

Belouadah， E.， Popescu， A.， amp; Kanellos， I. （2021）. A comprehensive study of class incremental learning algorithms for visual tasks. Neural Networks， 135（1）， 38-54.

Breiman， L. （2001）. Statistical modeling： The two cultures （with comments and a rejoinder by the author）. Statistical Science， 16（3）， 199-231.

Chalfin， A.， Danieli， O.， Hillis， A.， Jelveh， Z.， Luca， M.， Ludwig， J.， amp; Mullainathan， S. （2016）. Productivity and selection of human capital with machine learning. American Economic Review， 106（5）， 124-127.

Cohen， M. D.， amp; Axelrod， R. （1984）. Coping with complexity： The adaptive value of changing utility. American Economic Review， 74（1）， 30-42.

Dodman， S. L.， Swalwell， K.， DeMulder， E. K.， View， J. L.， amp; Stribling， S. M. （2021）. Critical data-driven decision making： A conceptual model of data use for equity. Teaching and Teacher Education， 99（1）， 103272.

García， P.， Amandi， A.， Schiaffino， S. N.， amp; Campo， M. R. （2007）. Evaluating Bayesian networks’ precision for detecting students’ learning styles. Computers amp; Education， 49（3）， 794-808.

Gomes， C. M. A.， Amantes， A.， amp; Jelihovschi， E. G. （2020）. Applying the regression tree method to predict students’ science achievement. Trends in Psychology， 28（1）， 99-117.

Hastie， T.， Tibshirani， R.， amp; Friedman， J. （2009）. The elements of statistical learning： Data mining， inference， and prediction. Springer.

Hilbert， S.， Coors， S.， Kraus， E.， Bischl， B.， Lindl， A.， Frei， M.， Wild， J.， Krauss， S.， Goretzko， D.， amp; Stachl， C. （2021）. Machine learning for the educational sciences. Review of Education， 9（3）， e3310.

Huang， B.， amp; Hew， K. F. （2018）. Implementing a theory-driven gamification model in higher education flipped courses： Effects on out-of-class activity completion and quality of artifacts. Computers amp; Education， 125（1）， 254-272.

Jackson， T. W.， amp; Farzaneh， P. （2012）. Theory-based model of factors affecting information overload. International Journal of Information Management， 32（6）， 523-532.

Jalota， C.， amp; Agrawal， R. （2019）. Analysis of educational data mining using classification. In D." Yadav （Ed.）， Procceedings of the 2019 International Conference on Machine Learning， Big Data， Cloud and Parallel Computing （pp. 243-247）. IEEE Press.

Kavipriya， P. （2016）. A review on predicting students’ academic performance earlier， using data mining techniques. International Journal of Advanced Research in Computer Science and Software Engineering， 6（12）， 101-105.

Littman， M. L. （2015）. Reinforcement learning improves behaviour from evaluative feedback. Nature， 521（7553）， 445-451.

Liu， S.， Chen， Y.， Huang， H.， Xiao， L.， amp; Hei， X. （2018）. Towards smart educational recommendations with reinforcement learning in classroom. In J. W. Lee， S. Nikolic， M. Ros， J. Shen， C. U. Lei， K. W. Wong， amp; N. Venkatarayalu （Eds.）， Procceedings of the 2018 IEEE international conference on teaching， assessment， and learning for engineering （pp. 1079-1084）. IEEE Press.

Maldonado， S.， López， J.， Jimenez-Molina， A.， amp; Lira， H. （2020）. Simultaneous feature selection and heterogeneity control for SVM classification： An application to mental workload assessment. Expert Systems with Applications， 143（1）， 112988.

Montavon， G.， Orr， G.， amp; Müller， K. R. （2012）. Neural networks： Tricks of the trade. Springer.

Nieto， Y.， García-Díaz， V.， Montenegro， C.， amp; Crespo， R. G. （2019）. Supporting academic decision making at higher educational institutions using machine learning-based algorithms. Soft Computing， 23（1）， 4145-4153.

Pan， S. J.， amp; Yang， Q. （2009）. A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering， 22（10）， 1345-1359.

Pe?a-Ayala， A. （2014）. Educational data mining： A survey and a data mining-based analysis of recent works. Expert Systems with Applications， 41（4）， 1432-1462.

Prieto， L. P.， Sharma， K.， Dillenbourg， P.， amp; Jesús， M. （2016）. Teaching analytics： Towards automatic extraction of orchestration graphs using wearable sensors. In D. Ga?evi ， amp; G. Lynch （Eds.）， Proceedings of the Sixth International Conference on Learning Analytics amp; Knowledge （pp. 148-157）. ACM Press.

Sansone， D. （2019）. Beyond early warning indicators： High school dropout and machine learning. Oxford Bulletin of Economics and Statistics， 81（2）， 456-485.

Sutton， R. S.， amp; Barto， A. G. （2018）. Reinforcement learning： An introduction. MIT Press.

Tsiakmaki， M.， Kostopoulos， G.， Kotsiantis， S.， amp; Ragos， O. （2020）. Transfer learning from deep neural networks for predicting student performance. Applied Sciences， 10（6）， 2145.

Wang， Y. X. （2022）. Student information management decision system based on decision tree classification algorithm. In H. Chen， amp; Q. M. Lu （Eds.）， Procceedings of the 2022 IEEE 5th International Conference on Information Systems and Computer Aided Education （pp. 827-831）. IEEE Press.

Worsley， M. （2012）. Multimodal learning analytics： Enabling the future of learning through multimodal data analysis and interfaces. In L. P. Morency， D. Bohus， H. Aghajan， A. Nijholt， J. Cassell， amp; J. Epps （Eds.）， Proceedings of the 14th ACM international conference on multimodal interaction （pp. 353-356）. ACM Press.

Zhang， N.， Biswas， G.， amp; Dong， Y. （2017）. Characterizing students’ learning behaviors using unsupervised learning methods. In E. André， R. Baker， X. Hu， M. M. T. Rodrigo， amp; B. Du Boulay （Eds.）， Artificial intelligence in education （pp. 430-441）. Springer.

How Can Intelligent Technology Promote the Modernization

of Educational Decision-making？

Liu Ji and Zhang Jin

Abstract： Utilizing intelligent technology in driving the modernization of education is the key to promoting the construction of a strong country in education in the digital era. As the core of intelligent technology， artificial intelligence poses technical advantages including multi-dimensional data mining， complex problem analysis， personalized policy design and decision-making scheme improvement， which provides a technical update to educational decision-making. Relying on the basic philo-

sophy of scientific materialism， intelligent technology can achieve accurate educational decision-making through the technical application of digital computing efficiency. It has the value of collecting global data to consolidate the decision-making data foundation， enhancing intelligent computing power to strengthen the perception of decision-making models， focusing on algorithm improvement to improve decision-making effect evaluation， and implementing dynamic adjustment to promote decision-making updates and iterations. By analyzing the key elements and development needs of educational decision-making practices， this study proposes an action path for using intelligent technology to promote the modernization of educational decision-making： building a global database to lay a solid digital foundation for accurate decision-making， training large educational models to form computing power support for effective decision-making， and opening a dynamic feedback window to cultivate the endogenous motivation for good decision-making.

Keywords： intelligent technology; machine learning; educational decision-making; educational modernization

Authors： Liu Ji， professor of Faculty of Education， Shaanxi Normal University （Corresponding Author： jiliu@snnu.edu.cn Xi'an 710062）; Zhang Jin， doctoral candidate of School of Education， Tianjin University （Tianjin 300354）

責(zé)任編輯 劉 莉